import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib.ticker as ticker
import random
import pycountry
import math
from IPython.display import display
import country_converter as coco
import warnings
warnings.filterwarnings('ignore')

import networkx as nx
import community  
from networkx.algorithms import community as nx_community
import plotly.graph_objects as go

#settings de vis
plt.rcParams['figure.figsize'] = [10, 6]
sns.set_style("whitegrid")
plt.rcParams['font.size'] = 12

# carregar dados
df = pd.read_csv('dataset4.csv', sep=";", encoding='latin-1')

display(df.head())

# colunas no df
print("Colunas no DataFrame:\n")
print(df.columns.tolist())
print("\n",100*"=")

# infos básicas do dataset
print(f"\nTotal de registos: {len(df)}\n")
print(f"Anos incluídos: {df['refYear'].unique()}")
print(f"Número de países Exportadores: {df['reporterISO'].nunique()}")
print(f"Número de países Importadores: {df['partnerISO'].nunique()}")

print("\n",100*"=")

print("\nTipos de dados:\n")
display(df.dtypes)

Colunas no DataFrame:

['refYear', 'refMonth', 'flowDesc', 'reporterISO', 'partnerISO', 'qty', 'primaryValue', 'unitPrice']

 ====================================================================================================

Total de registos: 794265

Anos incluídos: [2015 2016 2017 2018 2019 2020 2021 2022 2023 2024]
Número de países Exportadores: 156
Número de países Importadores: 247

 ====================================================================================================

Tipos de dados:

refYear          int64
refMonth         int64
flowDesc        object
reporterISO     object
partnerISO      object
qty             object
primaryValue    object
unitPrice       object
dtype: object

print(f"Países Exportadores: {df['reporterISO'].unique()}\n")
print(f"\nPaíses Importadores: {df['partnerISO'].unique()}")

Países Exportadores: ['DZA' 'AND' 'AGO' 'ATG' 'AZE' 'ARG' 'AUS' 'AUT' 'BHR' 'ARM' 'BRB' 'BEL'
 'BMU' 'BOL' 'BIH' 'BWA' 'BRA' 'BLZ' 'BRN' 'BGR' 'MMR' 'BDI' 'BLR' 'KHM'
 'CAN' 'CPV' 'CHL' 'COL' 'COM' 'COG' 'COD' 'HRV' 'CYP' 'CZE' 'BEN' 'DNK'
 'DOM' 'ECU' 'SLV' 'ETH' 'EST' 'FJI' 'FIN' 'FRA' 'PYF' 'GEO' 'DEU' 'GHA'
 'GRC' 'GRL' 'GRD' 'GTM' 'GUY' 'HKG' 'HUN' 'ISL' 'IDN' 'IRL' 'ISR' 'ITA'
 'CIV' 'JPN' 'KAZ' 'KOR' 'KWT' 'KGZ' 'LAO' 'LSO' 'LVA' 'LTU' 'LUX' 'MAC'
 'MDG' 'MWI' 'MYS' 'MLT' 'MUS' 'MEX' 'MDA' 'MNE' 'MSR' 'MAR' 'MOZ' 'OMN'
 'NLD' 'NCL' 'NZL' 'NIC' 'NOR' 'PLW' 'PAK' 'PAN' 'PRY' 'PER' 'PHL' 'POL'
 'PRT' 'QAT' 'ROU' 'RUS' 'RWA' 'KNA' 'VCT' 'STP' 'SAU' 'SEN' 'SRB' 'SYC'
 'IND' 'SGP' 'SVK' 'VNM' 'SVN' 'ZAF' 'ZWE' 'ESP' 'SDN' 'SWZ' 'SWE' 'CHE'
 'THA' 'TTO' 'TUR' 'UGA' 'UKR' 'MKD' 'EGY' 'GBR' 'TZA' 'USA' 'BFA' 'URY'
 'WSM' 'YEM' 'ZMB' 'TGO' 'GMB' 'SLB' 'CHN' 'HND' 'MNG' 'NER' 'SLE' 'PSE'
 'KIR' 'JOR' 'KEN' 'NAM' 'ARE' 'CRI' 'MDV' 'NGA' 'ABW' 'UZB' 'MRT' 'TUN']


Países Importadores: ['W00' 'CAN' 'CHN' 'CZE' 'FRA' 'ITA' 'KOR' 'S19' 'PAK' 'POL' 'PRT' 'RUS'
 'IND' 'ESP' 'SWE' 'TUN' 'TUR' 'EGY' 'GBR' 'USA' 'DEU' 'NLD' 'CHE' 'BEL'
 'BRA' 'COD' 'DNK' 'ISR' 'JPN' 'LBN' 'MEX' 'MAR' 'NAM' 'SGP' 'ZAF' 'ARE'
 'SXM' 'PER' 'AUS' 'IRN' 'LKA' 'COL' 'HKG' 'MYS' 'ROU' 'VNM' 'URY' 'AUT'
 'BGD' 'BIH' 'KHM' 'FJI' 'FIN' 'HND' 'HUN' 'IDN' 'IRL' 'KEN' 'LVA' 'MDG'
 'NPL' 'NZL' 'NOR' 'PHL' 'SVK' 'THA' 'UKR' 'MKD' 'BOL' 'HRV' 'EST' 'GMB'
 'LUX' 'SRB' 'SVN' '_X ' 'CRI' 'GIN' 'JAM' 'PAN' 'MAF' 'SUR' 'CHL' 'SAU'
 'ARG' 'GTM' 'BGR' 'ZMB' 'VGB' 'ECU' 'BRB' 'GRC' 'UGA' 'LTU' 'TZA' 'DMA'
 'NIC' 'PRY' 'ATA' 'GHA' 'KWT' 'MLI' 'NCL' 'PNG' 'SEN' 'TON' 'X1 ' 'AZE'
 'BHS' 'ARM' 'BLR' 'CMR' 'CYP' 'GAB' 'GEO' 'ISL' 'KAZ' 'LBR' 'LBY' 'MLT'
 'MNE' 'OMN' 'QAT' 'SYR' 'X2 ' 'CYM' 'GRD' 'LCA' 'VCT' 'TTO' 'DZA' 'BEN'
 'GNQ' 'ERI' 'PYF' 'GIB' 'IRQ' 'JOR' 'MUS' 'F19' 'SLE' 'AGO' 'CIV' 'MOZ'
 'AFG' 'DOM' 'TKM' 'SLV' 'E19' 'SMR' 'LAO' 'MDA' 'NGA' 'ALB' 'BHR' 'BMU'
 'CUB' 'CUW' 'UMI' 'SPM' 'BFA' 'HTI' 'VEN' 'MDV' 'FRO' 'GRL' 'KGZ' 'UZB'
 'SLB' 'VUT' 'ATG' 'BVT' 'PRK' 'GUM' 'AND' 'CAF' 'TCD' 'COM' 'COG' 'DJI'
 'MRT' 'ABW' 'RWA' 'BLM' 'SYC' 'ZWE' 'TGO' 'PSE' 'MAC' 'BRN' 'GUY' 'MNG'
 'SDN' 'YEM' 'MMR' 'BLZ' 'ETH' 'BDI' 'WLF' 'COK' 'PLW' 'WSM' 'SOM' 'CPV'
 'GNB' 'STP' 'LSO' 'XX ' 'BTN' 'MWI' 'NER' 'MNP' 'BWA' 'SWZ' 'TJK' 'MHL'
 'KNA' 'TCA' 'KIR' 'BES' 'A79' 'NIU' 'TLS' 'AIA' 'NRU' 'TKL' 'O19' 'MSR'
 'ASM' 'TUV' 'FSM' 'SSD' 'CXR' 'NFK' 'IOT' 'MYT' 'CCK' 'SHN' 'FLK' 'SGS'
 'VAT' 'ATF' 'PCN' 'ESH' 'ATB' 'A59' 'HMD']

# Todo este bloco de código foi sugerido pelo chatGPT. Utilizei para, dada a lista completa de países, 
# detectar redundâncias, erros ou nomes que não correspondem a países reais. Após fazer isso, sugeriu esta função para corrigir
# nomes. A função estava mais simples que a minha, optei usar esta. 

def corrigir_nomes_paises(df):
    
    df_corrigido = df.copy()
      
    # Códigos que não existem 
    entidades_especiais = ['W00', 'S19', '_X ', 'X1 ', 'X2 ', 'F19', 'E19', 'A79', 'O19', 'A59', 'XX ']
    
    # Filtrar apenas países reais (removendo todas as entidades especiais)

    df_corrigido = df_corrigido[
        (~df_corrigido['reporterISO'].isin(entidades_especiais)) & 
        (~df_corrigido['partnerISO'].isin(entidades_especiais))
    ]
    
    return df_corrigido

df_corrigido = corrigir_nomes_paises(df)

# infos básicas do dataset
print(f"\nTotal de registos: {len(df_corrigido)}\n")
print(f"Anos incluídos: {df_corrigido['refYear'].unique()}")
print(f"Número de países Exportadores: {df_corrigido['reporterISO'].nunique()}")
print(f"Número de países Importadores: {df_corrigido['partnerISO'].nunique()}")

Total de registos: 748813

Anos incluídos: [2015 2016 2017 2018 2020 2021 2022 2023 2024]
Número de países Exportadores: 155
Número de países Importadores: 236

# limpar #N/A decorrente de qty = 0 no cálculo do unitPrice - está com #N/A porque fiz este cálculo no excel, antes de carregar os dados aqui
df_corrigido['qty'] = df_corrigido['qty'].replace('#N/A', np.nan)

# conversão de formatos numéricos
df_corrigido['primaryValue'] = df_corrigido['primaryValue'].astype(str).str.replace(',', '.', regex=False)
df_corrigido['qty'] = df_corrigido['qty'].astype(str).str.replace(',', '.', regex=False)
df_corrigido['primaryValue'] = pd.to_numeric(df_corrigido['primaryValue'], errors='coerce')
df_corrigido['qty'] = pd.to_numeric(df_corrigido['qty'], errors='coerce')

print("\nValores ausentes por coluna:\n")
print(df_corrigido.isnull().sum())

# criar colunas para países, há nomes que precisam de ser homogeneizados 
df_corrigido['Exportador'] = df_corrigido['reporterISO']
df_corrigido['Importador'] = df_corrigido['partnerISO']

# criar df filtrado apenas com exportações
print("Valores únicos na coluna flowDesc:")
print(df_corrigido['flowDesc'].unique())

df_exports = df_corrigido[df_corrigido['flowDesc'] == 'Export'].copy()
print(f"\nTotal de registos de exportação: {len(df_exports)}\n")

# verificar valores ausentes
print("\nValores ausentes após conversão:\n")
print(df_exports[['primaryValue', 'qty']].isna().sum())

# resumo
print("\nResumo estatístico após limpeza:")
stats = df_exports[['primaryValue', 'qty']].describe().round(2)
html_stats = stats.style.format("{:,.2f}")
display(html_stats)

Valores ausentes por coluna:

refYear         0
refMonth        0
flowDesc        0
reporterISO     0
partnerISO      0
qty             0
primaryValue    0
unitPrice       0
dtype: int64
Valores únicos na coluna flowDesc:
['Import' 'Export']

Total de registos de exportação: 349622


Valores ausentes após conversão:

primaryValue    0
qty             0
dtype: int64

Resumo estatístico após limpeza:

# versão agregada por ano (soma dos valores)
df_export_annual = df_exports.groupby(['refYear', 'reporterISO', 'partnerISO'])['primaryValue'].sum().reset_index()

# dados de exportação agregados
print("\nDados de exportação agregados por ano:")
display(df_export_annual.head())

# principais países exportadores e importadores
top_exporters = df_export_annual.groupby('reporterISO')['primaryValue'].sum().sort_values(ascending=False).head(10)
top_importers = df_export_annual.groupby('partnerISO')['primaryValue'].sum().sort_values(ascending=False).head(10)

print("\nTop 10 países exportadores:")

display(top_exporters)

print("\nTop 10 países importadores:")
display(top_importers)

Dados de exportação agregados por ano:

Top 10 países exportadores:

reporterISO
CHN    9.582094e+10
DEU    9.595403e+09
USA    7.148129e+09
MEX    5.745379e+09
VNM    5.534274e+09
IND    3.760615e+09
NLD    3.366292e+09
POL    2.576971e+09
FRA    2.408748e+09
TUR    2.206861e+09
Name: primaryValue, dtype: float64

Top 10 países importadores:

partnerISO
USA    4.319084e+10
DEU    1.379284e+10
JPN    1.092044e+10
FRA    9.253455e+09
GBR    8.129058e+09
ITA    5.287905e+09
CAN    5.286796e+09
ESP    4.798290e+09
NLD    4.716897e+09
MEX    3.948564e+09
Name: primaryValue, dtype: float64

# análise temporal do valor total de exportações por ano
yearly_stats = df_exports.groupby('refYear').agg({
    'primaryValue': 'sum',
    'qty': 'sum',
    'Exportador': 'nunique',
    'Importador': 'nunique'
}).reset_index()

# preço médio por unidade para cada ano
yearly_stats['Preço Médio por Unidade (USD)'] = yearly_stats['primaryValue'] / yearly_stats['qty']

# renomear colunas
yearly_stats = yearly_stats.rename(columns={
    'primaryValue': 'Valor Total (USD)',
    'qty': 'Quantidade Total',
    'Exportador': 'Número de Exportadores',
    'Importador': 'Número de Importadores'
})

fig, axes = plt.subplots(2, 2, figsize=(16, 12))

# mil milhões = 1e9 
# Grafico 1: Valor Total das Exportações
axes[0, 0].bar(yearly_stats['refYear'], yearly_stats['Valor Total (USD)'] / 1e9, color='steelblue')
axes[0, 0].set_title('Valor Total das Exportações de Máscaras')
axes[0, 0].set_xlabel('Ano')
axes[0, 0].set_ylabel('mil Milhões USD')
axes[0, 0].grid(axis='y', linestyle='--', alpha=0.7)
# Adicionar rótulos de valor
for i, value in enumerate(yearly_stats['Valor Total (USD)']):
    axes[0, 0].text(yearly_stats['refYear'].iloc[i], value/1e9 + 2, f'${value/1e9:.1f}mM', 
                 ha='center', va='bottom')

# Grafico 2: Quantidade Total de Máscaras
axes[0, 1].bar(yearly_stats['refYear'], yearly_stats['Quantidade Total'] / 1e9, color='darkgreen')
axes[0, 1].set_title('Quantidade Total de Máscaras Exportadas')
axes[0, 1].set_xlabel('Ano')
axes[0, 1].set_ylabel('mil Milhões de Unidades')
axes[0, 1].grid(axis='y', linestyle='--', alpha=0.7)
# Adicionar rótulos de valor
for i, value in enumerate(yearly_stats['Quantidade Total']):
    axes[0, 1].text(yearly_stats['refYear'].iloc[i], value/1e9 + 0.2, f'{value/1e9:.1f}mM', 
                 ha='center', va='bottom')

# Grafico 3: Preço Médio por Unidade
axes[1, 0].bar(yearly_stats['refYear'], yearly_stats['Preço Médio por Unidade (USD)'], color='purple')
axes[1, 0].set_title('Preço Médio por Unidade de Máscara')
axes[1, 0].set_xlabel('Ano')
axes[1, 0].set_ylabel('USD')
axes[1, 0].grid(axis='y', linestyle='--', alpha=0.7)
# Adicionar rótulos de valor
for i, value in enumerate(yearly_stats['Preço Médio por Unidade (USD)']):
    axes[1, 0].text(yearly_stats['refYear'].iloc[i], value + 1, f'${value:.2f}', 
                 ha='center', va='bottom')

# Grafico 4: Número de Países Exportadores 
axes[1, 1].plot(yearly_stats['refYear'], yearly_stats['Número de Exportadores'], 'o-', color='blue', label='Exportadores')

importers_adjusted = yearly_stats['Número de Importadores'].copy()
importers_adjusted.loc[yearly_stats['refYear'] == 2019]  # Marcar 2019 como dados ausentes

mask = yearly_stats['refYear'] != 2019
axes[1, 1].plot(yearly_stats.loc[mask, 'refYear'], importers_adjusted[mask], 's-', color='red', label='Importadores')
axes[1, 1].set_title('Número de Países Envolvidos no Comércio')
axes[1, 1].set_xlabel('Ano')
axes[1, 1].set_ylabel('Número de Países')
axes[1, 1].legend()
axes[1, 1].grid(True, alpha=0.3)
# adicionar nota sobre o ano 2019
axes[1, 1].annotate('Dados de 2019 apenas\nagregados como "World"', 
                  xy=(2019, 100), xytext=(2019, 150),
                  arrowprops=dict(facecolor='black', shrink=0.05, width=1.5),
                  ha='center', fontsize=10)

plt.tight_layout()
plt.show()


print("\nComparação de Períodos:")
# tirar 2019 da análise pré-pandemia devido à limitação dos dados
pre_pandemia_ajustado = yearly_stats[yearly_stats['refYear'] < 2019]
durante_pandemia = yearly_stats[(yearly_stats['refYear'] >= 2020) & (yearly_stats['refYear'] <= 2021)]
pos_pandemia = yearly_stats[yearly_stats['refYear'] > 2021]

print(f"Média de Valor Total Pré-Pandemia (2015-2019): ${pre_pandemia_ajustado['Valor Total (USD)'].mean()/1e9:.2f} mil Milhões")
print(f"Média de Valor Total Durante Pandemia (2020-2021): ${durante_pandemia['Valor Total (USD)'].mean()/1e9:.2f} mil Milhões")
print(f"Média de Valor Total Pós-Pandemia (2022-2024): ${pos_pandemia['Valor Total (USD)'].mean()/1e9:.2f} mil Milhões")

print(f"\nMédia de Preço por Unidade Pré-Pandemia (2015-2019): ${pre_pandemia_ajustado['Preço Médio por Unidade (USD)'].mean():.2f}")
print(f"Média de Preço por Unidade Durante Pandemia (2020-2021): ${durante_pandemia['Preço Médio por Unidade (USD)'].mean():.2f}")
print(f"Média de Preço por Unidade Pós-Pandemia (2022-2024): ${pos_pandemia['Preço Médio por Unidade (USD)'].mean():.2f}")

Comparação de Períodos:
Média de Valor Total Pré-Pandemia (2015-2019): $9.23 mil Milhões
Média de Valor Total Durante Pandemia (2020-2021): $45.43 mil Milhões
Média de Valor Total Pós-Pandemia (2022-2024): $12.47 mil Milhões

Média de Preço por Unidade Pré-Pandemia (2015-2019): $11.41
Média de Preço por Unidade Durante Pandemia (2020-2021): $18.72
Média de Preço por Unidade Pós-Pandemia (2022-2024): $9.78

periodos = {
    "Pré-Pandemia (2015-2018)": df_exports[df_exports['refYear'] < 2019],
    "Durante a Pandemia (2020-2021)": df_exports[(df_exports['refYear'] >= 2020) & (df_exports['refYear'] <= 2021)],
    "Pós-Pandemia (2022-2024)": df_exports[df_exports['refYear'] > 2021]
}

#função para top exporters
def top_exportadores(df, n=10):
    return (
        df.groupby('Exportador')['primaryValue'].sum()
        .nlargest(n)
        .reset_index()
    )


def plot_top(df_top, titulo):
    df_top = df_top.sort_values('primaryValue')
    plt.figure(figsize=(10, 6))
    bars = plt.barh(df_top['Exportador'], df_top['primaryValue'] / 1e9, color='steelblue')
    plt.xlabel('Exportações (mil Milhões USD)')
    plt.title(titulo)
    plt.grid(axis='x', linestyle='--', alpha=0.6)
    for bar in bars:
        plt.text(bar.get_width() + 0.1, bar.get_y() + bar.get_height()/2, f'{bar.get_width():.1f}mM', va='center')
    plt.tight_layout()
    plt.show()

# amrazenar resultados e mostrar
tops = {}
for nome, dados in periodos.items():
    tops[nome] = top_exportadores(dados)
    print(f"\nTop 10 Exportadores - {nome}")
    for i, row in tops[nome].iterrows():
        print(f"{i+1}. {row['Exportador']}: ${row['primaryValue'] / 1e9:.2f}mM")
    plot_top(tops[nome], f'Top 10 Exportadores de Máscaras - {nome}')

Top 10 Exportadores - Pré-Pandemia (2015-2018)
1. CHN: $14.06mM
2. DEU: $3.05mM
3. USA: $2.66mM
4. VNM: $2.09mM
5. MEX: $2.02mM
6. IND: $2.00mM
7. NLD: $0.98mM
8. FRA: $0.74mM
9. GBR: $0.68mM
10. HKG: $0.67mM

Top 10 Exportadores - Durante a Pandemia (2020-2021)
1. CHN: $66.26mM
2. DEU: $3.42mM
3. VNM: $2.49mM
4. USA: $2.11mM
5. MEX: $1.48mM
6. NLD: $1.23mM
7. HKG: $1.00mM
8. KOR: $0.99mM
9. TUR: $0.97mM
10. FRA: $0.92mM

Top 10 Exportadores - Pós-Pandemia (2022-2024)
1. CHN: $15.50mM
2. DEU: $3.13mM
3. USA: $2.38mM
4. MEX: $2.25mM
5. NLD: $1.16mM
6. POL: $1.12mM
7. IND: $1.04mM
8. VNM: $0.95mM
9. TUR: $0.79mM
10. FRA: $0.76mM

periodos = {
    "Pré-Pandemia (2015-2018)": df_exports[df_exports['refYear'] < 2019],
    "Durante a Pandemia (2020-2021)": df_exports[(df_exports['refYear'] >= 2020) & (df_exports['refYear'] <= 2021)],
    "Pós-Pandemia (2022-2024)": df_exports[df_exports['refYear'] > 2021]
}

#função para top exporters
def top_exportadores(df, n=10):
    return (
        df.groupby('Exportador')['qty'].sum()
        .nlargest(n)
        .reset_index()
    )

def plot_top(df_top, titulo):
    df_top = df_top.copy()
    df_top['qty'] = df_top['qty'] / 1000
    df_top = df_top.sort_values('qty')

    plt.figure(figsize=(10, 6))
    bars = plt.barh(df_top['Exportador'], df_top['qty'], color='steelblue')
    plt.xlabel('Exportações (toneladas)')
    plt.title(titulo)
    plt.grid(axis='x', linestyle='--', alpha=0.6)
    for bar in bars:
        plt.text(bar.get_width() + 0.1, bar.get_y() + bar.get_height()/2, f'{bar.get_width():.1f} t', va='center')
    plt.tight_layout()
    plt.show()

# armazenar resultados e mostrar
tops = {}
for nome, dados in periodos.items():
    tops[nome] = top_exportadores(dados)
    print(f"\nTop 10 Exportadores - {nome}")
    for i, row in tops[nome].iterrows():
        print(f"{i+1}. {row['Exportador']}: {row['qty'] / 1000:.2f} toneladas")
    plot_top(tops[nome], f'Top 10 Exportadores de Máscaras - {nome}')

Top 10 Exportadores - Pré-Pandemia (2015-2018)
1. CHN: 1370895.94 toneladas
2. HKG: 771349.28 toneladas
3. DEU: 207818.22 toneladas
4. NLD: 126099.65 toneladas
5. VNM: 116922.12 toneladas
6. MEX: 112478.94 toneladas
7. IND: 107670.14 toneladas
8. TUR: 55077.03 toneladas
9. USA: 47960.28 toneladas
10. THA: 33598.85 toneladas

Top 10 Exportadores - Durante a Pandemia (2020-2021)
1. CHN: 3302422.32 toneladas
2. DEU: 165005.51 toneladas
3. USA: 160471.86 toneladas
4. NLD: 123349.83 toneladas
5. VNM: 100976.72 toneladas
6. TUR: 77638.38 toneladas
7. POL: 64099.71 toneladas
8. IND: 60624.55 toneladas
9. MEX: 59482.16 toneladas
10. HKG: 44607.69 toneladas

Top 10 Exportadores - Pós-Pandemia (2022-2024)
1. CHN: 2119386.72 toneladas
2. NLD: 236143.53 toneladas
3. USA: 200440.61 toneladas
4. DEU: 188046.24 toneladas
5. MEX: 132135.50 toneladas
6. TUR: 101381.22 toneladas
7. IND: 98644.41 toneladas
8. POL: 85724.99 toneladas
9. VNM: 61756.26 toneladas
10. ESP: 53605.98 toneladas

# comparar rankings entre períodos
def comparar_rankings(top_a, top_b, nome_a, nome_b):
    set_a, set_b = set(top_a['Exportador']), set(top_b['Exportador'])
    novos = set_b - set_a
    sairam = set_a - set_b
    comuns = set_a & set_b

    print(f"\n Mudanças do Top 10 entre {nome_a} e {nome_b}:")
    if novos:
        print(f" Entraram no top 10 em {nome_b}: {', '.join(novos)}")
    if sairam:
        print(f" Saíram do top 10 em {nome_b}: {', '.join(sairam)}")
    
    # análise de variação de posição
    rank_a = {c: i+1 for i, c in enumerate(top_a['Exportador'])}
    rank_b = {c: i+1 for i, c in enumerate(top_b['Exportador'])}
    mudancas = [(c, rank_a[c], rank_b[c], rank_a[c] - rank_b[c]) for c in comuns]
    mudancas.sort(key=lambda x: abs(x[3]), reverse=True)

    print("\n Maiores mudanças de posição:")
    for c, r1, r2, delta in mudancas[:5]:
        direcao = "subiu" if delta > 0 else "desceu"
        print(f"{c}: {r1}º -> {r2}º ({direcao} {abs(delta)} posições)")

comparar_rankings(tops["Pré-Pandemia (2015-2018)"], tops["Durante a Pandemia (2020-2021)"],
                  "Pré-Pandemia", "Durante a Pandemia")
comparar_rankings(tops["Durante a Pandemia (2020-2021)"], tops["Pós-Pandemia (2022-2024)"],
                  "Durante a Pandemia", "Pós-Pandemia")

 Mudanças do Top 10 entre Pré-Pandemia e Durante a Pandemia:
 Entraram no top 10 em Durante a Pandemia: POL
 Saíram do top 10 em Durante a Pandemia: THA

 Maiores mudanças de posição:
HKG: 2º -> 10º (desceu 8 posições)
USA: 9º -> 3º (subiu 6 posições)
MEX: 6º -> 9º (desceu 3 posições)
TUR: 8º -> 6º (subiu 2 posições)
DEU: 3º -> 2º (subiu 1 posições)

 Mudanças do Top 10 entre Durante a Pandemia e Pós-Pandemia:
 Entraram no top 10 em Pós-Pandemia: ESP
 Saíram do top 10 em Pós-Pandemia: HKG

 Maiores mudanças de posição:
VNM: 5º -> 9º (desceu 4 posições)
MEX: 9º -> 5º (subiu 4 posições)
NLD: 4º -> 2º (subiu 2 posições)
DEU: 2º -> 4º (desceu 2 posições)
IND: 8º -> 7º (subiu 1 posições)

# função para criar redes por periodo
def create_network_period(df, year, threshold=0):
    
    G = nx.DiGraph(name=f"Rede de Exportação de Máscaras Cirúrgicas - {year}")
    
    # Agrupar total de qty por par de países
    grouped = df.groupby(['Exportador', 'Importador'])['qty'].sum().reset_index()

    for _, row in grouped.iterrows():
        if row['qty'] > threshold:
            G.add_edge(row['Exportador'],
                row['Importador'],
                weight=row['qty']
            )
    
    return G


#função para obter posições geográficas
def get_geo_positions(G):
    pos = {}
    for node in G.nodes():
        if node in coords:
            pos[node] = (coords[node]['Longitude'], coords[node]['Latitude'])
    return pos

all_qty = pd.concat([
    periodos["Pré-Pandemia (2015-2018)"]['qty'],
    periodos["Durante a Pandemia (2020-2021)"]['qty'],
    periodos["Pós-Pandemia (2022-2024)"]['qty']
])

print("Resumo estatístico dos pesos (qty):")
print(all_qty.describe(percentiles=[.25, .5, .75, .9, .95, .99]))

Resumo estatístico dos pesos (qty):
count    3.496220e+05
mean     3.438018e+04
std      5.772407e+05
min      0.000000e+00
25%      8.900000e+00
50%      2.000000e+02
75%      2.870992e+03
90%      2.148596e+04
95%      6.436371e+04
99%      5.055140e+05
max      7.747843e+07
Name: qty, dtype: float64

for nome, df in periodos.items():
    n_total = df.groupby(['Exportador', 'Importador']).ngroups
    n_filtrado = df[df['qty'] > 60000].groupby(['Exportador', 'Importador']).ngroups
    print(f"{nome}: Total = {n_total}, Após threshold = {n_filtrado}, % mantido = {n_filtrado / n_total:.2%}")

Pré-Pandemia (2015-2018): Total = 8381, Após threshold = 396, % mantido = 4.72%
Durante a Pandemia (2020-2021): Total = 8067, Após threshold = 609, % mantido = 7.55%
Pós-Pandemia (2022-2024): Total = 8111, Após threshold = 553, % mantido = 6.82%

# dataFrame de coordenadas dos países
coords_df = pd.read_csv('in-nodes-All.csv')  
coords = coords_df.set_index('Label')[['Longitude', 'Latitude']].to_dict('index')
# montar redes agregadas por período 
networks_periodos = {
    "Pré-Pandemia": create_network_period(periodos["Pré-Pandemia (2015-2018)"], "Pré", threshold=60000),
    "Durante Pandemia": create_network_period(periodos["Durante a Pandemia (2020-2021)"], "Durante", threshold=60000),
    "Pós-Pandemia": create_network_period(periodos["Pós-Pandemia (2022-2024)"], "Pós", threshold=60000),
}

G = create_network_period(periodos["Pré-Pandemia (2015-2018)"], "Pré", threshold=2000)
#spring layout
pos = nx.spring_layout(G)

plt.figure(figsize=(12, 8))
nx.draw(G, pos, node_color='lightblue',node_size=50,edge_color='gray',alpha=0.6,with_labels=False,arrows=True,arrowsize=10)
plt.title("Rede de Exportações - Pré-Pandemia")
plt.show()

# desenhar redes
for title, G in networks_periodos.items():
    plt.figure(figsize=(15, 10))
    pos = get_geo_positions(G)
    
    # desenhar nós 
    nodes = list(pos.keys())
    node_sizes = [G.degree(n)*10 for n in nodes]
    node_color='b'
    edge_width = 0.5
    nx.draw_networkx_labels(G, pos, font_size=14, font_color='w')
    nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color=node_color, alpha=0.7)
    nx.draw_networkx_edges(G, pos, connectionstyle='arc3,rad=0.2', edge_color='green', width=edge_width, arrowstyle='->', arrowsize=25)
    
    plt.title(f"Rede de Exportação de Máscaras Cirúrgicas - {title}", fontsize=16)
    plt.xticks([])
    plt.yticks([])
    plt.xlim(-180, 180)
    plt.ylim(-90, 90)
    plt.show()

# desenhar redes sem labels e apenas ocm uma amostra das arestas
for title, G in networks_periodos.items():
    pos = get_geo_positions(G)
    
    # filtrar arestas para reduzir densidade, 800 escolhidas de forma aleatória por agora
    all_edges = list(G.edges())
    sample_size = min(800, len(all_edges))  
    edges_sample = random.sample(all_edges, sample_size)
    
    # desenhar nós
    nodes = list(pos.keys())
    node_sizes = [min(G.degree(n)*2, 100) for n in nodes] 
    node_color='b'
    edge_width = 0.5
    
    plt.figure(figsize=(15, 10))
    
    nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color=node_color, alpha=0.8)
    nx.draw_networkx_edges(G, pos, edgelist=edges_sample, connectionstyle='arc3,rad=0.2', 
                           edge_color='green', width=edge_width, arrowstyle='->', arrowsize=25, alpha=0.6)
    
    plt.title(f"Rede de Exportação de Máscaras Cirúrgicas - {title}", fontsize=16)
    plt.xticks([])
    plt.yticks([])
    plt.xlim(-180, 180)
    plt.ylim(-90, 90)
    plt.show()

import cartopy.crs as ccrs
import cartopy.feature as cfeature

for title, G in networks_periodos.items():
    pos = get_geo_positions(G)
    
    all_edges = list(G.edges())
    sample_size = min(800, len(all_edges))
    edges_sample = random.sample(all_edges, sample_size)
    
    nodes = list(pos.keys())
    node_sizes = [min(G.degree(n)*2, 100) for n in nodes]
    
    fig = plt.figure(figsize=(15, 10))
    ax = plt.axes(projection=ccrs.PlateCarree())
    
    ax.add_feature(cfeature.LAND, facecolor='lightgray')
    ax.add_feature(cfeature.OCEAN, facecolor='lightblue')
    ax.add_feature(cfeature.COASTLINE, linewidth=0.5)
    ax.add_feature(cfeature.BORDERS, linewidth=0.5, alpha=0.5)
    
    nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='b', alpha=0.5,ax=ax)
    nx.draw_networkx_edges(G, pos, edgelist=edges_sample, edge_color='darkgreen', width=0.5, alpha=0.4,arrows=True, arrowsize=5, connectionstyle='arc3,rad=0.1', ax=ax)
    
    ax.set_global()
    
    plt.title(f"Rede de Exportação de Máscaras Cirúrgicas - {title}", fontsize=16)
    plt.show()

for title, G in networks_periodos.items():
    pos = get_geo_positions(G)

    edges_with_weights = [(u, v, d['weight']) for u, v, d in G.edges(data=True)]
    edges_with_weights.sort(key=lambda x: x[2], reverse=True)
    n_top = int(len(edges_with_weights) * 0.10)
    edges_sample = [(u, v) for u, v, w in edges_with_weights[:n_top]]

    # espessura proporcional ao peso
    raw_weights = [w for _, _, w in edges_with_weights[:n_top]]
    w_min, w_max = min(raw_weights), max(raw_weights)
    edge_widths = [min(0.5 + w / 100_000_000, 5) for w in raw_weights]

    nodes = list(pos.keys())
    node_sizes = [min(G.degree(n) * 2, 100) for n in nodes]

    fig = plt.figure(figsize=(15, 10))
    ax = plt.axes(projection=ccrs.PlateCarree())

    ax.add_feature(cfeature.LAND, facecolor='lightgray')
    ax.add_feature(cfeature.OCEAN, facecolor='lightblue')
    ax.add_feature(cfeature.COASTLINE, linewidth=0.5)
    ax.add_feature(cfeature.BORDERS, linewidth=0.5, alpha=0.5)

    nx.draw_networkx_nodes(G, pos, node_size=node_sizes, node_color='b', alpha=0.5, ax=ax)

    nx.draw_networkx_edges(G,pos,edgelist=edges_sample,width=edge_widths,edge_color='darkgreen',
                           alpha=0.4,arrows=True,arrowsize=5,connectionstyle='arc3,rad=0.1',ax=ax)

    ax.set_global()
    plt.title(f"Rede de Exportação de Máscaras Cirúrgicas - {title}", fontsize=16)
    plt.show()

network_stats_per_df = pd.DataFrame([
    {
        'Período': year,
        'Nós': G.number_of_nodes(),
        'Arestas': G.number_of_edges(),
        'Densidade': nx.density(G),
        'Grau Médio': sum(dict(G.degree()).values()) / G.number_of_nodes(),
        'Componentes Conectadas Fracamente': nx.number_weakly_connected_components(G),
        'Tamanho da Maior Componente': len(max(nx.weakly_connected_components(G), key=len))
    }
    for year, G in networks_periodos.items()
])

# mostrar a tabela
print("\nEstatísticas das Redes de Exportação por Ano:")
display(network_stats_per_df)

Estatísticas das Redes de Exportação por Ano:

# clcular centralidades para cada período e guardar em df
centralidade_periodos = {}

for periodo, G in networks_periodos.items():
    print(f"\n=== Centralidades - {periodo} ===")

    # calcular centralidades
    grau_total = dict(G.degree())
    grau_in = dict(G.in_degree())
    grau_out = dict(G.out_degree())
    betweenness = nx.betweenness_centrality(G, normalized=True)
    closeness = nx.closeness_centrality(G)
    eigenvector = nx.eigenvector_centrality(G)
    pagerank = nx.pagerank(G, alpha=0.85)



    #construir df
    
    df_centralidades = pd.DataFrame({
        'Nó': list(G.nodes()),
        'Grau Total': pd.Series(grau_total),
        'Grau Entrada': pd.Series(grau_in),
        'Grau Saída': pd.Series(grau_out),
        'Betweenness': pd.Series(betweenness),
        'Closeness': pd.Series(closeness),
        'Eigenvector': pd.Series(eigenvector),
        'Page Rank': pd.Series(pagerank),
    })

    df_centralidades = df_centralidades.set_index('Nó')
    df_centralidades = df_centralidades.sort_values('Grau Total', ascending=False)

    #guardar 
    centralidade_periodos[periodo] = df_centralidades

    display(df_centralidades.head(10))

=== Centralidades - Pré-Pandemia ===

=== Centralidades - Durante Pandemia ===

=== Centralidades - Pós-Pandemia ===

for periodo, G in networks_periodos.items():
    print(f"\n=== Centralidades - {periodo} ===")
    
    # maior componente fortemente conectada
    largest_scc = max(nx.strongly_connected_components(G), key=len)
    G_scc = G.subgraph(largest_scc).copy()
    
    # excentricidade para a maior componente fortemente conectada
    excentricidade = nx.eccentricity(G_scc)
    
    #df com os resultados
    df_excentricidade = pd.DataFrame({
        'Excentricidade': pd.Series(excentricidade),
    })
    df_excentricidade = df_excentricidade.sort_values('Excentricidade', ascending=True)
    display(df_excentricidade.head(10))
    raio = min(excentricidade.values())
    print(f"Raio do grafo para {periodo}: {raio}")

=== Centralidades - Pré-Pandemia ===

Raio do grafo para Pré-Pandemia: 2

=== Centralidades - Durante Pandemia ===

Raio do grafo para Durante Pandemia: 1

=== Centralidades - Pós-Pandemia ===

Raio do grafo para Pós-Pandemia: 2

for periodo, G in networks_periodos.items():
    print(f'\n\n--- Período {periodo} ---')

    print('É fortemente conexo?', nx.is_strongly_connected(G))
    print('É fracamente conexo?', nx.is_weakly_connected(G))
    
    print('Número de componentes fortemente conexas:', nx.number_strongly_connected_components(G))
    print('Número de componentes fracamente conexas:', nx.number_weakly_connected_components(G))

    print('\nTop 3 componentes fortemente conexas:')
    for c in sorted(nx.strongly_connected_components(G), key=len, reverse=True)[:3]:
        print(c)

    print('\nTop 3 componentes fracamente conexas:')
    for c in sorted(nx.weakly_connected_components(G), key=len, reverse=True)[:3]:
        print(c)


--- Período Pré-Pandemia ---
É fortemente conexo? False
É fracamente conexo? True
Número de componentes fortemente conexas: 91
Número de componentes fracamente conexas: 1

Top 3 componentes fortemente conexas:
{'GBR', 'ISR', 'MYS', 'MEX', 'PRY', 'BEL', 'LTU', 'DOM', 'HUN', 'SLV', 'PHL', 'ARE', 'KOR', 'MAR', 'ROU', 'SVK', 'PAK', 'NLD', 'DEU', 'IRL', 'UKR', 'IDN', 'MMR', 'EST', 'SVN', 'COL', 'CHN', 'MDG', 'IND', 'SGP', 'CHL', 'CHE', 'SAU', 'TUR', 'PRT', 'MDA', 'BLR', 'LUX', 'LAO', 'KAZ', 'BRA', 'ESP', 'BHR', 'HRV', 'NOR', 'BGR', 'LVA', 'MKD', 'THA', 'USA', 'CZE', 'DNK', 'POL', 'SWE', 'SRB', 'AUS', 'ITA', 'KWT', 'ZAF', 'JPN', 'KHM', 'ECU', 'VNM', 'RUS', 'HKG', 'FRA', 'PER', 'FIN', 'BIH'}
{'JOR'}
{'QAT'}

Top 3 componentes fracamente conexas:
{'UGA', 'MEX', 'MYS', 'URY', 'BEL', 'SLV', 'PHL', 'ARE', 'AZE', 'DEU', 'IRL', 'COD', 'MMR', 'AUT', 'GMB', 'TGO', 'MDG', 'SDN', 'SAU', 'MUS', 'TUR', 'KAZ', 'LUX', 'BWA', 'BRA', 'NOR', 'MRT', 'SRB', 'SYR', 'JPN', 'KHM', 'BHS', 'RUS', 'DJI', 'UZB', 'HKG', 'TTO', 'GUM', 'AFG', 'RWA', 'CHN', 'IND', 'SGP', 'MDV', 'PRT', 'BHR', 'SEN', 'SOM', 'ESP', 'GTM', 'SWZ', 'IRN', 'USA', 'COM', 'DNK', 'CRI', 'EGY', 'ITA', 'NAM', 'YEM', 'GHA', 'CYP', 'LBN', 'MAC', 'GUY', 'ALB', 'ETH', 'GAB', 'KEN', 'NZL', 'TZA', 'ZMB', 'DOM', 'PRY', 'MNG', 'CUB', 'ROU', 'SVK', 'NLD', 'UKR', 'DZA', 'EST', 'COL', 'FJI', 'CHE', 'CYM', 'BOL', 'PYF', 'BRN', 'HRV', 'THA', 'JAM', 'POL', 'ARG', 'JOR', 'MLT', 'CAN', 'KGZ', 'PAN', 'AND', 'FIN', 'GBR', 'NIC', 'ISR', 'COG', 'VEN', 'TKM', 'BRB', 'NGA', 'LTU', 'HUN', 'TJK', 'KOR', 'MAR', 'IRQ', 'PAK', 'GRC', 'LSO', 'ISL', 'IDN', 'SVN', 'NPL', 'PRK', 'CHL', 'HND', 'BGD', 'LBY', 'PNG', 'TUN', 'LAO', 'MDA', 'BLR', 'CIV', 'QAT', 'BEN', 'MOZ', 'GEO', 'MWI', 'BGR', 'LVA', 'MKD', 'CZE', 'SWE', 'KWT', 'CMR', 'HTI', 'AUS', 'ZAF', 'ECU', 'VNM', 'NCL', 'FRA', 'OMN', 'LKA', 'PER', 'AGO', 'ZWE', 'GIN', 'BIH'}


--- Período Durante Pandemia ---
É fortemente conexo? False
É fracamente conexo? True
Número de componentes fortemente conexas: 96
Número de componentes fracamente conexas: 1

Top 3 componentes fortemente conexas:
{'URY', 'MEX', 'MYS', 'BEL', 'SLV', 'PHL', 'DEU', 'IRL', 'MMR', 'MDG', 'TUR', 'LUX', 'BRA', 'NOR', 'SRB', 'JPN', 'KHM', 'RUS', 'UZB', 'HKG', 'CHN', 'IND', 'SGP', 'PRT', 'BHR', 'ESP', 'GTM', 'USA', 'DNK', 'EGY', 'ITA', 'GHA', 'CYP', 'MAC', 'PRY', 'DOM', 'ROU', 'SVK', 'NLD', 'UKR', 'EST', 'COL', 'CHE', 'BOL', 'HRV', 'THA', 'POL', 'ARG', 'CAN', 'FIN', 'GBR', 'NIC', 'ISR', 'LTU', 'HUN', 'KOR', 'MAR', 'PAK', 'GRC', 'IDN', 'SVN', 'CHL', 'TUN', 'LAO', 'MDA', 'BLR', 'GEO', 'ARM', 'BGR', 'MKD', 'LVA', 'CZE', 'SWE', 'AUS', 'ZAF', 'ECU', 'VNM', 'FRA', 'PER', 'BIH'}
{'AFG'}
{'AGO'}

Top 3 componentes fracamente conexas:
{'UGA', 'URY', 'MYS', 'MEX', 'BEL', 'SLV', 'PHL', 'ARE', 'AZE', 'DEU', 'IRL', 'COD', 'MMR', 'AUT', 'GMB', 'TGO', 'MDG', 'SDN', 'MUS', 'SAU', 'TUR', 'KAZ', 'LUX', 'BWA', 'BRA', 'MRT', 'NOR', 'LBR', 'TLS', 'SRB', 'SYR', 'JPN', 'KHM', 'BHS', 'CPV', 'RUS', 'DJI', 'UZB', 'HKG', 'TTO', 'AFG', 'MNE', 'RWA', 'CHN', 'SGP', 'IND', 'TCD', 'MDV', 'PRT', 'BHR', 'SEN', 'SUR', 'GRD', 'SOM', 'ESP', 'GTM', 'SWZ', 'IRN', 'USA', 'COM', 'DNK', 'CRI', 'EGY', 'ITA', 'NAM', 'YEM', 'BLZ', 'GHA', 'BFA', 'CYP', 'GUY', 'LBN', 'MAC', 'ALB', 'SLE', 'ETH', 'GAB', 'KEN', 'NZL', 'PRY', 'DOM', 'TZA', 'ZMB', 'MNG', 'CUB', 'ROU', 'SVK', 'NLD', 'UKR', 'DZA', 'EST', 'COL', 'NER', 'FJI', 'CHE', 'CYM', 'BOL', 'PYF', 'BRN', 'HRV', 'THA', 'JAM', 'POL', 'ARG', 'JOR', 'MLT', 'CAN', 'DMA', 'KGZ', 'PAN', 'AND', 'FIN', 'GBR', 'NIC', 'COG', 'ISR', 'TKM', 'VEN', 'BRB', 'NGA', 'LTU', 'HUN', 'TJK', 'KOR', 'MAR', 'PSE', 'PAK', 'GRC', 'IRQ', 'LSO', 'ISL', 'IDN', 'SVN', 'NPL', 'PRK', 'CHL', 'HND', 'BGD', 'LBY', 'TUN', 'PNG', 'LAO', 'MDA', 'BLR', 'CIV', 'BEN', 'MWI', 'MOZ', 'GEO', 'QAT', 'ARM', 'SSD', 'BGR', 'LVA', 'MKD', 'VCT', 'CZE', 'SWE', 'CMR', 'HTI', 'KWT', 'AUS', 'MLI', 'ZAF', 'ECU', 'VNM', 'NCL', 'FRA', 'PER', 'LKA', 'OMN', 'AGO', 'ZWE', 'GIN', 'BIH'}


--- Período Pós-Pandemia ---
É fortemente conexo? False
É fracamente conexo? True
Número de componentes fortemente conexas: 94
Número de componentes fracamente conexas: 1

Top 3 componentes fortemente conexas:
{'GBR', 'ISR', 'NZL', 'MEX', 'URY', 'PRY', 'BEL', 'LTU', 'DOM', 'HUN', 'SLV', 'MYS', 'PHL', 'KOR', 'MAR', 'ROU', 'SVK', 'PAK', 'GRC', 'DEU', 'IRL', 'NLD', 'UKR', 'IDN', 'AUT', 'MMR', 'EST', 'SVN', 'COL', 'CHN', 'MDG', 'IND', 'SGP', 'CHL', 'CHE', 'SAU', 'TUN', 'BOL', 'TUR', 'LAO', 'PRT', 'KAZ', 'MDA', 'BHR', 'BRA', 'ESP', 'GEO', 'GTM', 'HRV', 'NOR', 'BGR', 'LVA', 'MKD', 'THA', 'USA', 'CZE', 'DNK', 'POL', 'ARG', 'SWE', 'AUS', 'ITA', 'SRB', 'ZAF', 'JPN', 'KHM', 'VNM', 'CAN', 'UZB', 'HKG', 'FRA', 'GHA', 'FIN', 'BIH'}
{'ECU'}
{'ARE'}

Top 3 componentes fracamente conexas:
{'UGA', 'URY', 'MEX', 'MYS', 'BEL', 'SLV', 'PHL', 'ARE', 'AZE', 'DEU', 'IRL', 'COD', 'MMR', 'AUT', 'TGO', 'MDG', 'SDN', 'MUS', 'SAU', 'TUR', 'KAZ', 'LUX', 'BWA', 'BRA', 'MRT', 'NOR', 'LBR', 'SRB', 'SYR', 'JPN', 'KHM', 'BHS', 'RUS', 'DJI', 'UZB', 'HKG', 'TTO', 'AFG', 'MNE', 'GRL', 'FRO', 'RWA', 'CHN', 'IND', 'SGP', 'MDV', 'PRT', 'BHR', 'SEN', 'SUR', 'SOM', 'ESP', 'GTM', 'SWZ', 'IRN', 'USA', 'DNK', 'CRI', 'EGY', 'ITA', 'NAM', 'BLZ', 'YEM', 'GHA', 'BFA', 'CYP', 'GUY', 'LBN', 'MAC', 'ALB', 'ETH', 'GAB', 'KEN', 'NZL', 'PRY', 'DOM', 'TZA', 'ZMB', 'MNG', 'CUB', 'ROU', 'SVK', 'NLD', 'UKR', 'DZA', 'EST', 'COL', 'FJI', 'CHE', 'CYM', 'BOL', 'PYF', 'BRN', 'HRV', 'THA', 'JAM', 'POL', 'ARG', 'JOR', 'MLT', 'CAN', 'KGZ', 'PAN', 'AND', 'GNQ', 'FIN', 'GBR', 'NIC', 'ISR', 'COG', 'TKM', 'VEN', 'BRB', 'NGA', 'LTU', 'HUN', 'TJK', 'KOR', 'MAR', 'PAK', 'GRC', 'IRQ', 'LSO', 'ISL', 'IDN', 'SVN', 'NPL', 'PRK', 'CHL', 'HND', 'BGD', 'LBY', 'PNG', 'TUN', 'LAO', 'MDA', 'BLR', 'CIV', 'BEN', 'MWI', 'MOZ', 'GEO', 'QAT', 'ARM', 'BGR', 'LVA', 'MKD', 'CZE', 'SWE', 'CMR', 'HTI', 'KWT', 'AUS', 'MLI', 'CUW', 'ZAF', 'ECU', 'VNM', 'NCL', 'FRA', 'LKA', 'OMN', 'PER', 'AGO', 'ZWE', 'GIN', 'BIH'}

G_pre = create_network_period(periodos["Pré-Pandemia (2015-2018)"], "Pré", threshold=0)
G_durante = create_network_period(periodos["Durante a Pandemia (2020-2021)"], "Durante", threshold=0)
G_pos = create_network_period(periodos["Pós-Pandemia (2022-2024)"], "Pós", threshold=0)

# dicionários de graus
grau_entrada_pre = dict(G_pre.in_degree())
grau_saida_pre = dict(G_pre.out_degree())
grau_entrada_durante = dict(G_durante.in_degree())
grau_saida_durante = dict(G_durante.out_degree())

# top países por grau de entrada
top_entrada_pre = pd.Series(grau_entrada_pre).sort_values(ascending=False).head(10)
top_entrada_durante = pd.Series(grau_entrada_durante).sort_values(ascending=False).head(10)

# top países por grau de entrada
top_saida_pre = pd.Series(grau_saida_pre).sort_values(ascending=False).head(10)
top_saida_durante = pd.Series(grau_saida_durante).sort_values(ascending=False).head(10)

# plot
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
fig.suptitle("Top 10 Países por Grau de Entrada e Saída", fontsize=16)

top_entrada_pre.plot(kind="bar", ax=axes[0, 0], title="Entrada - Pré-pandemia", color='steelblue')
top_entrada_durante.plot(kind="bar", ax=axes[0, 1], title="Entrada - Durante pandemia", color='darkorange')
top_saida_pre.plot(kind="bar", ax=axes[1, 0], title="Saída - Pré-pandemia", color='steelblue')
top_saida_durante.plot(kind="bar", ax=axes[1, 1], title="Saída - Durante pandemia", color='darkorange')

for ax in axes.flatten():
    ax.set_ylabel("Número de conexões")

plt.tight_layout(rect=[0, 0.03, 1, 0.95])
plt.show()

def calcular_medidas_distancia(G, periodo, top_n=10):
    print(f"\n=== Medidas de Distância - {periodo} ===")
    
    # identificar a maior componente fortemente conectada (SCC)
    scc = list(nx.strongly_connected_components(G))
    scc.sort(key=len, reverse=True)  # ordenar por tamanho
    maior_scc = scc[0]
    G_scc = G.subgraph(maior_scc).copy()  # fazer o subgrafo da primeira - maior
    
    print(f"Maior componente fortemente conectada tem {len(G_scc)} nós.")
    print()

    #grande parte do código destas medidas -  abaixo e algum acima - é das aulas, dos notebooks do professor, adaptei apenas
    # Excentricidade: Top 5 menor e maior
    excent = nx.eccentricity(G_scc)
    excent_df = pd.DataFrame(list(excent.items()), columns=['Nó', 'Excentricidade'])
    excent_df = excent_df.sort_values('Excentricidade')
    
    print("Top 5 nós com menor excentricidade (mais centrais):")
    display(excent_df.head(5))
    print("Top 5 nós com maior excentricidade (mais periféricos):")
    display(excent_df.tail(5))
    print()
    
    # Raio
    r = nx.radius(G_scc)
    print('Raio de G:', r)
    print()
    
    # Diâmetro
    d = nx.diameter(G_scc)
    print('Diâmetro de G:', d)
    print()
    
    # Centro
    centro = nx.center(G_scc)
    print('Centro de G (nodos com excentricidade = raio):', centro)
    print()
    
    # Periferia
    periferia = nx.periphery(G_scc)
    print('Periferia de G (nodos com excentricidade = diâmetro):', periferia)
    print()
    
    # Graus de entrada e saída: Top 10
    in_deg = dict(G.in_degree())
    out_deg = dict(G.out_degree())
    
    in_deg_df = pd.DataFrame(list(in_deg.items()), columns=['Nó', 'Grau de Entrada'])
    out_deg_df = pd.DataFrame(list(out_deg.items()), columns=['Nó', 'Grau de Saída'])
    
    in_deg_df = in_deg_df.sort_values('Grau de Entrada', ascending=False)
    out_deg_df = out_deg_df.sort_values('Grau de Saída', ascending=False)
    
    print(f"Top {top_n} nós com maior grau de entrada:")
    display(in_deg_df.head(top_n))
    print(f"Top {top_n} nós com maior grau de saída:")
    display(out_deg_df.head(top_n))
    print()
    
    # Grau médio
    gm_in = sum(in_deg.values()) / len(G.nodes)
    gm_out = sum(out_deg.values()) / len(G.nodes)
    print('Grau médio de entrada de G:', gm_in)
    print('Grau médio de saída de G:', gm_out)
    print()
    
    # Average path length
    apl = nx.average_shortest_path_length(G_scc)
    print('Average path length de G:', apl)
    print()

# aplicar a cada período
for periodo, G in networks_periodos.items():
    calcular_medidas_distancia(G, periodo, top_n=10)

=== Medidas de Distância - Pré-Pandemia ===
Maior componente fortemente conectada tem 69 nós.

Top 5 nós com menor excentricidade (mais centrais):

Top 5 nós com maior excentricidade (mais periféricos):

Raio de G: 2

Diâmetro de G: 7

Centro de G (nodos com excentricidade = raio): ['GBR', 'NLD', 'DEU', 'CHN', 'USA', 'POL', 'SWE', 'ITA', 'VNM', 'HKG', 'FRA']

Periferia de G (nodos com excentricidade = diâmetro): ['BHR']

Top 10 nós com maior grau de entrada:

Top 10 nós com maior grau de saída:

Grau médio de entrada de G: 7.144654088050315
Grau médio de saída de G: 7.144654088050315

Average path length de G: 2.2440323955669226


=== Medidas de Distância - Durante Pandemia ===
Maior componente fortemente conectada tem 80 nós.

Top 5 nós com menor excentricidade (mais centrais):

Top 5 nós com maior excentricidade (mais periféricos):

Raio de G: 1

Diâmetro de G: 4

Centro de G (nodos com excentricidade = raio): ['CHN']

Periferia de G (nodos com excentricidade = diâmetro): ['CYP', 'ARG']

Top 10 nós com maior grau de entrada:

Top 10 nós com maior grau de saída:

Grau médio de entrada de G: 7.56
Grau médio de saída de G: 7.56

Average path length de G: 2.0765822784810126


=== Medidas de Distância - Pós-Pandemia ===
Maior componente fortemente conectada tem 74 nós.

Top 5 nós com menor excentricidade (mais centrais):

Top 5 nós com maior excentricidade (mais periféricos):

# dicionários para guardar resultados por período
communities_by_period = {}
colors_by_period = {}
modularity_by_period = {}
partition_quality_by_period = {}

for period, G in networks_periodos.items():
    print(f"\nPeriodo: {period}")
    
    # aplicar Louvain diretamente no grafo direcionado com pesos
    com_louvain = list(nx.community.louvain_communities(G, weight='weight', seed=42))
    communities_by_period[period] = com_louvain

    print(f"Número de comunidades: {len(com_louvain)}")
    for i, com in enumerate(com_louvain):
        print(f" - Comunidade {i+1}: {len(com)} nós")

    # cor aos nós
    node_color = [(0.5, 0.5, 0.5) for _ in G.nodes()]
    for i, v in enumerate(G.nodes()):
        for j in range(len(com_louvain)):
            if v in com_louvain[j]:
                node_color[i] = (0.25*j/10, 2.1*j/10, 1-2*j/10) #-> ideia encontrada no stackoverflow
    colors_by_period[period] = node_color

    #modularidade e qualidade
    m1 = nx.community.modularity(G, communities=com_louvain, weight='weight', resolution=1)
    q1 = nx.community.partition_quality(G, partition=com_louvain)

    modularity_by_period[period] = m1
    partition_quality_by_period[period] = q1

    print(f"Índice de modularidade: {m1:.3f}")
    print(f"Cobertura: {q1[0]:.3f} | Performance: {q1[1]:.3f}")

    # desenhar grafo com comunidades
    pos = get_geo_positions(G)
    plt.figure(figsize=(20,15))
    nx.draw_networkx(G, pos, node_color=node_color, with_labels=True, node_size=600,
                     node_shape='o', alpha=0.8, edge_color='gray', width=0.5)
    plt.title(f"Comunidades Louvain - {period}")
    plt.show()

    # bgrafos por comunidade
    f, axs = plt.subplots(nrows=math.ceil(len(com_louvain)/2), ncols=2, figsize=(22, 20))
    axs = axs.flatten()
    for i in range(len(com_louvain)):
        G1 = G.subgraph(com_louvain[i])
        node_color1 = [node_color[j] for j, v in enumerate(G.nodes()) if v in com_louvain[i]]
        nx.draw_networkx_nodes(G1, pos, nodelist=com_louvain[i], node_color=node_color1,node_size=600, node_shape='o', alpha=0.8, ax=axs[i])
        nx.draw_networkx(G1, pos, with_labels=True, node_size=0, edge_color='gray',width=0.5, ax=axs[i])
        axs[i].set_title(f"Comunidade {i+1} - {period}")
    plt.tight_layout()
    plt.show()

Periodo: Pré-Pandemia
Número de comunidades: 4
 - Comunidade 1: 57 nós
 - Comunidade 2: 62 nós
 - Comunidade 3: 38 nós
 - Comunidade 4: 2 nós
Índice de modularidade: 0.232
Cobertura: 0.644 | Performance: 0.679

Periodo: Durante Pandemia
Número de comunidades: 4
 - Comunidade 1: 12 nós
 - Comunidade 2: 28 nós
 - Comunidade 3: 79 nós
 - Comunidade 4: 56 nós
Índice de modularidade: 0.193
Cobertura: 0.675 | Performance: 0.683

Periodo: Pós-Pandemia
Número de comunidades: 4
 - Comunidade 1: 19 nós
 - Comunidade 2: 89 nós
 - Comunidade 3: 56 nós
 - Comunidade 4: 3 nós
Índice de modularidade: 0.306
Cobertura: 0.686 | Performance: 0.612

networks = {'Pré': G_pre, 'Durante': G_durante, 'Pós': G_pos}
summary_data = []

for year, G in networks.items():
    stats = {
        'Período': year,
        'Nº Nós': G.number_of_nodes(),
        'Nº Arestas': G.number_of_edges(),
        'Densidade': nx.density(G),
        'Grau Médio': sum(dict(G.degree()).values()) / G.number_of_nodes(),
        'Grau Máximo': max(dict(G.degree()).values()),
        'Componentes Fortes': nx.number_strongly_connected_components(G) if G.is_directed() else '-',
        'Clustering Médio': nx.average_clustering(G.to_undirected())
    }
    summary_data.append(stats)

df_summary = pd.DataFrame(summary_data)
display(df_summary)

clustering_pre = nx.transitivity(G_pre.to_undirected())
clustering_dur = nx.transitivity(G_durante.to_undirected())
clustering_pos = nx.transitivity(G_pos.to_undirected())

print(f"Clustering Pre (Transitivity): {clustering_pre:.4f}")
print()
print(f"Clustering Dur (Transitivity): {clustering_dur:.4f}")
print()
print(f"Clustering Pos (Transitivity): {clustering_pos:.4f}")

Clustering Pre (Transitivity): 0.4942

Clustering Dur (Transitivity): 0.5065

Clustering Pos (Transitivity): 0.5068

clustering_pre = nx.transitivity(G_pre)
clustering_dur = nx.transitivity(G_durante)
clustering_pos = nx.transitivity(G_pos)

print(f"Clustering Pre (Transitivity): {clustering_pre:.4f}")
print()
print(f"Clustering Dur (Transitivity): {clustering_dur:.4f}")
print()
print(f"Clustering Pos (Transitivity): {clustering_pos:.4f}")

Clustering Pre (Transitivity): 0.3038

Clustering Dur (Transitivity): 0.3170

Clustering Pos (Transitivity): 0.3085

cluster_china_pre = nx.clustering(G_pre,'CHN')
cluster_china_dur = nx.clustering(G_durante,'CHN')
cluster_china_pos = nx.clustering(G_pos,'CHN')
print(f'China Pré: {cluster_china_pre} \nChina Durante: {cluster_china_dur} \nChina Pós: {cluster_china_pos}')
print()
cluster_usa_pre = nx.clustering(G_pre,'USA')
cluster_usa_dur = nx.clustering(G_durante,'USA')
cluster_usa_pos = nx.clustering(G_pos,'USA')
print(f'USA Pré: {cluster_usa_pre} \nUSA Durante: {cluster_usa_dur} \nUSA Pós: {cluster_usa_pos}')
print()
cluster_deu_pre = nx.clustering(G_pre,'DEU')
cluster_deu_dur = nx.clustering(G_durante,'DEU')
cluster_deu_pos = nx.clustering(G_pos,'DEU')
print(f'DEU Pré: {cluster_deu_pre} \nDEU Durante: {cluster_deu_dur} \nDEU Pós: {cluster_deu_pos}')

China Pré: 0.2528732902735562 
China Durante: 0.26157460343859795 
China Pós: 0.279345703125

USA Pré: 0.2925983352374735 
USA Durante: 0.2930787981062204 
USA Pós: 0.29561004784688993

DEU Pré: 0.2777722735491541 
DEU Durante: 0.29843929365215055 
DEU Pós: 0.3046244529332895

def analisar_bridges(G, periodo, thresh_cluster=0.3, thresh_betw=0.02):
    clustering_local = nx.clustering(G)  
    betweenness = nx.betweenness_centrality(G)

    df2 = pd.DataFrame({
        'Nó': list(clustering_local.keys()),
        'Clustering': list(clustering_local.values()),
        'Betweenness': list(betweenness.values())
    })

    df2['Período'] = periodo
    df2['Bridge?'] = (df2['Clustering'] < thresh_cluster) & (df2['Betweenness'] > thresh_betw)

    return df2.sort_values(by='Betweenness', ascending=False)

df_bridges_pre = analisar_bridges(G_pre, 'Pré-Pandemia')
df_bridges_dur = analisar_bridges(G_durante, 'Durante a Pandemia')
df_bridges_pos = analisar_bridges(G_pos, 'Pós-Pandemia')

df_bridges_todos = pd.concat([df_bridges_pre, df_bridges_dur, df_bridges_pos])
df_bridges_todos[df_bridges_todos['Bridge?'] == True]

def criar_mapa_temp(networks, coords):
    fig = go.Figure()
    periods = list(networks.keys())
    
    for period_idx, (period_name, G) in enumerate(networks.items()):

        nodes_data = [(n, coords[n]['Longitude'], coords[n]['Latitude'], G.degree(n)) 
                      for n in G.nodes() if n in coords]
        node_sizes = [min(degree * 2, 100) for _, _, _, degree in nodes_data]
        
        # filtrar top 10% das arestas por peso 
        edges_with_weights = [(u, v, d['weight']) for u, v, d in G.edges(data=True)
                              if u in coords and v in coords]
        edges_with_weights.sort(key=lambda x: x[2], reverse=True)
        n_top = int(len(edges_with_weights) * 0.10)
        edges_top = edges_with_weights[:n_top]

        # espessura proporcional ao peso
        if edges_top:
            raw_weights = [w for _, _, w in edges_top]
            edge_widths = [min(0.5 + w / 100_000_000, 5) for w in raw_weights]
            max_width = max(edge_widths) if edge_widths else 5
            
            # categorizar por espessura 
            edge_groups = []
            remaining_edges = list(zip(edges_top, edge_widths))
            
            for threshold, opacity in [(0.7, 0.7), (0.3, 0.5), (0, 0.3)]:
                group = [(u, v, w, ew) for (u, v, w), ew in remaining_edges 
                         if ew > threshold * max_width]
                remaining_edges = [((u, v, w), ew) for (u, v, w), ew in remaining_edges 
                                   if ew <= threshold * max_width]
                edge_groups.append((group, opacity))
        else:
            edge_groups = [([], 0.7), ([], 0.5), ([], 0.3)]
        
        # adicionar 3 traços de arestas
        for edges_list, opacity in edge_groups:
            if edges_list:
                avg_width = sum(e[3] for e in edges_list) / len(edges_list)
                lons = [coord for e in edges_list for coord in 
                       [coords[e[0]]['Longitude'], coords[e[1]]['Longitude'], None]]
                lats = [coord for e in edges_list for coord in 
                       [coords[e[0]]['Latitude'], coords[e[1]]['Latitude'], None]]
            else:
                avg_width = 1
                lons, lats = [], []
            
            fig.add_trace(go.Scattergeo(
                lon=lons, lat=lats, mode='lines',
                line=dict(width=avg_width, color=f'rgba(0, 150, 0, {opacity})'),
                hoverinfo='none', showlegend=False,
                visible=(period_idx == 0)
            ))
        
        # adicionar nós
        fig.add_trace(go.Scattergeo(
            lon=[n[1] for n in nodes_data],
            lat=[n[2] for n in nodes_data],
            mode='markers',
            marker=dict(
                size=[s/5 for s in node_sizes],
                color='red', 
                opacity=0.8
            ),
            text=[f"{n[0]}<br>Conexões: {n[3]}" for n in nodes_data],
            hovertemplate='%{text}<extra></extra>',
            name=period_name,
            visible=(period_idx == 0)
        ))
    
    #configo do mapa e slider
    fig.update_geos(
        projection_type='equirectangular',
        showland=True, landcolor='lightgray',
        showocean=True, oceancolor='lightblue',
        showcountries=True, countrycolor='white'
    )
    
    fig.update_layout(
        title="Evolução das Redes de Exportação de Máscaras Cirúrgicas",
        height=600,
        sliders=[dict(
            active=0,
            currentvalue={"prefix": "Período: "},
            steps=[dict(
                label=period,
                method="update",
                args=[{"visible": [j // 4 == i for j in range(len(fig.data))]}]
            ) for i, period in enumerate(periods)]
        )]
    )
    
    return fig


coords_df = pd.read_csv('in-nodes-All.csv')  
coords = coords_df.set_index('Label')[['Longitude', 'Latitude']].to_dict('index')

fig = criar_mapa_temp(networks_periodos, coords)
fig.show()
fig.write_html("evolucao_redes_mascaras_periodos.html")

df.columns

Index(['refYear', 'refMonth', 'flowDesc', 'reporterISO', 'partnerISO', 'qty',
       'primaryValue', 'unitPrice', 'Exportador', 'Importador'],
      dtype='object')

def create_network(df, year, threshold=0):

    G = nx.DiGraph(name=f"Rede de Exportação de Máscaras Cirúrgicas - {year}")
    
    for _, row in df.iterrows():
        if row['qty'] > threshold:
            G.add_edge(
                row['reporterISO'],
                row['partnerISO'],
                weight=row['qty']
            )
    
    return G

networks_anos = {}
for ano in range(2015, 2025):  
    # filtrar os dados para um ano específico
    dados_ano = df_exports[df_exports['refYear'] == ano]
    networks_anos[str(ano)] = create_network(dados_ano, str(ano), threshold=0)

fig = criar_mapa_temp(networks_anos, coords)
fig.show()
fig.write_html("evolucao_redes_mascaras_anual.html")

def analisar_portugal_por_periodo(networks_periodos, coords):

    portugal_stats = {}
    
    for periodo, G in networks_periodos.items():
        print(f"\n{'='*60}")
        print(f"PORTUGAL - {periodo.upper()}")
        print(f"{'='*60}")
        
        #validar portugal em todos os periodos
        if 'PRT' not in G.nodes():
            print(f"Portugal não encontrado na rede do período {periodo}")
            continue
            
        # estatísticas básicas 
        grau_total = G.degree('PRT')
        grau_entrada = G.in_degree('PRT') 
        grau_saida = G.out_degree('PRT')   
        
        print(f"Estatísticas Básicas:")
        print(f"  - Grau Total: {grau_total}")
        print(f"  - Exportações (grau saída): {grau_saida}")
        print(f"  - Importações (grau entrada): {grau_entrada}")
        
        # nodos com lig dorectas
        exportadores_portugal = list(G.predecessors('PRT'))  
        importadores_portugal = list(G.successors('PRT'))    
        
        print(f"\nParceiros Comerciais:")
        print(f"  - Exporta para {len(importadores_portugal)} países: {importadores_portugal}")
        print(f"  - Importa de {len(exportadores_portugal)} países: {exportadores_portugal}")
        
        # centralidades

        betweenness = nx.betweenness_centrality(G)['PRT']
        closeness = nx.closeness_centrality(G)['PRT'] 
        eigenvector = nx.eigenvector_centrality(G)['PRT']
        pagerank = nx.pagerank(G)['PRT']
            
        print(f"\nMedidas de Centralidade:")
        print(f"  - Betweenness: {betweenness:.4f}")
        print(f"  - Closeness: {closeness:.4f}")
        print(f"  - Eigenvector: {eigenvector:.4f}")
        print(f"  - PageRank: {pagerank:.4f}")

        
        # ranking de Portugal em grau
        all_degrees = dict(G.degree())
        portugal_rank = sorted(all_degrees.values(), reverse=True).index(grau_total) + 1
        total_paises = len(G.nodes())
        
        print(f"\nPosição Relativa:")
        print(f"  - Ranking por grau: {portugal_rank}º de {total_paises} países")
        print(f"  - Percentil: {((total_paises - portugal_rank) / total_paises * 100):.1f}%")
        
        # guardar stats
        portugal_stats[periodo] = {
            'grau_total': grau_total,
            'grau_entrada': grau_entrada,
            'grau_saida': grau_saida,
            'exportadores': exportadores_portugal,
            'importadores': importadores_portugal,
            'ranking': portugal_rank,
            'total_paises': total_paises
        }
    
    return portugal_stats


def comparar_evolucao_portugal(portugal_stats):

    print(f"\n{'='*60}")
    print("EVOLUÇÃO DE PORTUGAL ENTRE PERÍODOS")
    print(f"{'='*60}")
    
    periodos = list(portugal_stats.keys())
    
    df_portugal = pd.DataFrame(portugal_stats).T
    print("\nTabela Comparativa:")
    display(df_portugal[['grau_total', 'grau_entrada', 'grau_saida', 'ranking', 'total_paises']])
    
    # gráficos de evolução
    fig, axes = plt.subplots(2, 2, figsize=(15, 10))
    fig.suptitle("Evolução de Portugal nas Redes de Exportação de Máscaras", fontsize=16)
    
    #grau total
    axes[0, 0].plot(periodos, [portugal_stats[p]['grau_total'] for p in periodos], 'o-', color='blue')
    axes[0, 0].set_title('Grau Total')
    axes[0, 0].set_ylabel('Número de Conexões')
    axes[0, 0].grid(True, alpha=0.3)
    
    # export vs impor
    exportacoes = [portugal_stats[p]['grau_saida'] for p in periodos]
    importacoes = [portugal_stats[p]['grau_entrada'] for p in periodos]
    
    x = range(len(periodos))
    width = 0.35
    axes[0, 1].bar([i - width/2 for i in x], exportacoes, width, label='Exportações', color='green')
    axes[0, 1].bar([i + width/2 for i in x], importacoes, width, label='Importações', color='orange')
    axes[0, 1].set_title('Exportações vs Importações')
    axes[0, 1].set_ylabel('Número de Conexões')
    axes[0, 1].set_xticks(x)
    axes[0, 1].set_xticklabels(periodos)
    axes[0, 1].legend()
    axes[0, 1].grid(True, alpha=0.3)
    
    # Rank
    axes[1, 0].plot(periodos, [portugal_stats[p]['ranking'] for p in periodos], 'o-', color='red')
    axes[1, 0].set_title('Posição no Ranking')
    axes[1, 0].set_ylabel('Posição (menor = melhor)')
    axes[1, 0].invert_yaxis()  # Inverter para melhor visualização
    axes[1, 0].grid(True, alpha=0.3)
    
    # percentil
    percentis = [((portugal_stats[p]['total_paises'] - portugal_stats[p]['ranking']) / portugal_stats[p]['total_paises'] * 100) for p in periodos]
    axes[1, 1].plot(periodos, percentis, 'o-', color='purple')
    axes[1, 1].set_title('Percentil de Conectividade')
    axes[1, 1].set_ylabel('Percentil (%)')
    axes[1, 1].grid(True, alpha=0.3)
    
    plt.tight_layout()
    plt.show()
    
    # análise às mudanças
    print("\nAnálise de Mudanças:")
    for i in range(1, len(periodos)):
        periodo_anterior = periodos[i-1]
        periodo_atual = periodos[i]
        
        delta_grau = portugal_stats[periodo_atual]['grau_total'] - portugal_stats[periodo_anterior]['grau_total']
        delta_ranking = portugal_stats[periodo_atual]['ranking'] - portugal_stats[periodo_anterior]['ranking']
        
        print(f"\n{periodo_anterior} → {periodo_atual}:")
        print(f"  - Mudança no grau total: {delta_grau:+d}")
        print(f"  - Mudança no ranking: {delta_ranking:+d} posições")
        
        # novas ligações
        novos_exp = set(portugal_stats[periodo_atual]['exportadores']) - set(portugal_stats[periodo_anterior]['exportadores'])
        novos_imp = set(portugal_stats[periodo_atual]['importadores']) - set(portugal_stats[periodo_anterior]['importadores'])
        
        if novos_exp:
            print(f"  - Novos países que exportam para Portugal: {list(novos_exp)}")
        if novos_imp:
            print(f"  - Novos países que importam de Portugal: {list(novos_imp)}")

# Executar análise completa
print("O Caso de Portugal")
print()

# análise estatística por período
portugal_stats = analisar_portugal_por_periodo(networks_periodos, coords)


# comparação evolutiva
comparar_evolucao_portugal(portugal_stats)

O Caso de Portugal


============================================================
PORTUGAL - PRÉ-PANDEMIA
============================================================
Estatísticas Básicas:
  - Grau Total: 29
  - Exportações (grau saída): 15
  - Importações (grau entrada): 14

Parceiros Comerciais:
  - Exporta para 15 países: ['AGO', 'CHE', 'CZE', 'DEU', 'DNK', 'ESP', 'FRA', 'GBR', 'IRL', 'ITA', 'MAR', 'NLD', 'NOR', 'SWE', 'TUN']
  - Importa de 14 países: ['BEL', 'CHN', 'DEU', 'ESP', 'FRA', 'GBR', 'HKG', 'IND', 'ITA', 'MAR', 'NLD', 'ROU', 'TUR', 'VNM']

Medidas de Centralidade:
  - Betweenness: 0.0010
  - Closeness: 0.1977
  - Eigenvector: 0.1195
  - PageRank: 0.0072

Posição Relativa:
  - Ranking por grau: 23º de 159 países
  - Percentil: 85.5%

============================================================
PORTUGAL - DURANTE PANDEMIA
============================================================
Estatísticas Básicas:
  - Grau Total: 36
  - Exportações (grau saída): 19
  - Importações (grau entrada): 17

Parceiros Comerciais:
  - Exporta para 19 países: ['AGO', 'AUT', 'BEL', 'CHE', 'CPV', 'CZE', 'DEU', 'DNK', 'ESP', 'FRA', 'GBR', 'IRL', 'ITA', 'NLD', 'POL', 'ROU', 'SVK', 'SWE', 'USA']
  - Importa de 17 países: ['BEL', 'CHE', 'CHN', 'CZE', 'DEU', 'ESP', 'FRA', 'GBR', 'HKG', 'IND', 'ITA', 'MAR', 'NLD', 'ROU', 'SVN', 'TUR', 'USA']

Medidas de Centralidade:
  - Betweenness: 0.0021
  - Closeness: 0.2391
  - Eigenvector: 0.1393
  - PageRank: 0.0091

Posição Relativa:
  - Ranking por grau: 22º de 175 países
  - Percentil: 87.4%

============================================================
PORTUGAL - PÓS-PANDEMIA
============================================================
Estatísticas Básicas:
  - Grau Total: 40
  - Exportações (grau saída): 21
  - Importações (grau entrada): 19

Parceiros Comerciais:
  - Exporta para 21 países: ['AGO', 'BEL', 'BGR', 'CHE', 'CZE', 'DEU', 'DNK', 'DZA', 'ESP', 'FRA', 'GBR', 'IRL', 'ITA', 'MAR', 'NLD', 'NOR', 'POL', 'ROU', 'SVK', 'SWE', 'USA']
  - Importa de 19 países: ['BEL', 'CHN', 'CZE', 'DEU', 'DNK', 'ESP', 'FRA', 'GBR', 'GRC', 'ITA', 'MAR', 'NLD', 'POL', 'ROU', 'SVN', 'SWE', 'TUR', 'UKR', 'USA']

Medidas de Centralidade:
  - Betweenness: 0.0020
  - Closeness: 0.2396
  - Eigenvector: 0.1499
  - PageRank: 0.0091

Posição Relativa:
  - Ranking por grau: 21º de 167 países
  - Percentil: 87.4%

============================================================
EVOLUÇÃO DE PORTUGAL ENTRE PERÍODOS
============================================================

Tabela Comparativa:

Análise de Mudanças:

Pré-Pandemia → Durante Pandemia:
  - Mudança no grau total: +7
  - Mudança no ranking: -1 posições
  - Novos países que exportam para Portugal: ['USA', 'SVN', 'CZE', 'CHE']
  - Novos países que importam de Portugal: ['SVK', 'CPV', 'AUT', 'BEL', 'USA', 'POL', 'ROU']

Durante Pandemia → Pós-Pandemia:
  - Mudança no grau total: +4
  - Mudança no ranking: -1 posições
  - Novos países que exportam para Portugal: ['GRC', 'UKR', 'DNK', 'SWE', 'POL']
  - Novos países que importam de Portugal: ['DZA', 'MAR', 'BGR', 'NOR']

	Período	Nº Nós	Nº Arestas	Densidade	Grau Médio	Grau Máximo	Componentes Fortes	Clustering Médio
0	Pré	230	7584	0.143991	65.947826	291	101	0.795445
1	Durante	228	8057	0.155673	70.675439	311	102	0.803318
2	Pós	230	8106	0.153902	70.486957	290	109	0.817830

Análise das Redes de Comércio Internacional de Máscaras Cirúrgicas¶

O Impacto da Pandemia COVID-19 nas Dinâmicas Comerciais Globais (2015–2024)¶

Sumário¶

1. Preparação dos Dados¶

1.1 Imports e carregamento de dados¶

1.2 Informações básicas dos dados¶

1.3 Info sobre Países¶

1.4 Homogeneizar e corrigir ISO de países¶

1.5 Limpeza de dados e Est. Descritivas¶

1.6 Análise básica de trocas¶

2. AED¶

2.1 Variações anuais¶

2.2 Top Exportadores em $¶

2.3 Top Exportadores em qty¶

2.4 Modificações nos Tops¶

3. Construção das redes¶

Testar valores para threshold¶

Ler ficheiro com coordenadas e montar redes¶

3.1 Rede Pré-Pandemia - Spring Layout¶

3.2 Análise por Períodos - Com coordenadas Geo¶

Inserir Mapa¶

filtrar top 10% das arestas com maior peso e eliminar a seleção aleatório das 800 arestas¶

3.2.1. Estatísticas básicas¶

3.2.2. Medidas de Centralidade¶

3.2.3 - Propriedades de Conectividade¶

3.2.4 - Medidas de Distância¶

3.2.5 - Comunidades¶

teste -> faz sentido definir bridges desta forma?¶

3.3 - Mapas Temporais¶

4. Portugal¶

	refYear	refMonth	flowDesc	reporterISO	partnerISO	primaryValue	unitPrice
0	2015	1	Import	DZA	W00	391716,54	#DIV/0!
1	2015	1	Import	DZA	CAN	466,05	#DIV/0!
2	2015	1	Import	DZA	CHN	154815	#DIV/0!
3	2015	1	Import	DZA	CZE	54,72	#DIV/0!
4	2015	1	Import	DZA	FRA	47176,61	#DIV/0!

	primaryValue	qty
count	349,622.00	349,622.00
mean	472,476.06	34,380.18
std	12,406,529.79	577,240.69
min	0.00	0.00
25%	869.00	8.90
50%	7,749.73	200.00
75%	62,773.85	2,870.99
max	3,653,069,488.00	77,478,428.00

	refYear	reporterISO	partnerISO	primaryValue
0	2015	AGO	ARE	188.12
1	2015	AGO	BEL	3347.41
2	2015	AGO	BRA	49.50
3	2015	AGO	COD	157.44
4	2015	AGO	COG	45907.17

	Período	Nós	Arestas	Densidade	Grau Médio	Componentes Conectadas Fracamente	Tamanho da Maior Componente
0	Pré-Pandemia	159	1136	0.045219	14.289308	1	159
1	Durante Pandemia	175	1323	0.043448	15.120000	1	175
2	Pós-Pandemia	167	1361	0.049095	16.299401	1	167

	Grau Total	Grau Entrada	Grau Saída	Betweenness	Closeness	Eigenvector	Page Rank
Nó
CHN	152	19	133	0.114124	0.221711	0.154300	0.012788
DEU	107	37	70	0.076492	0.261302	0.260183	0.073282
HKG	102	10	92	0.023828	0.201833	0.083668	0.004925
USA	88	33	55	0.098182	0.258990	0.215394	0.044367
IND	78	9	69	0.035096	0.199087	0.070155	0.003762
TUR	77	14	63	0.022569	0.207559	0.131956	0.005606
FRA	69	31	38	0.034094	0.243882	0.220822	0.035796
NLD	67	24	43	0.019269	0.230440	0.188709	0.023910
POL	56	23	33	0.012622	0.232268	0.197858	0.026402
ITA	56	25	31	0.019892	0.237934	0.190068	0.023499

	Grau Total	Grau Entrada	Grau Saída	Betweenness	Closeness	Eigenvector	Page Rank
Nó
CHN	197	34	163	0.198836	0.284665	0.188756	0.017235
DEU	114	53	61	0.064766	0.335213	0.277015	0.065098
USA	109	45	64	0.084185	0.306563	0.220061	0.094732
TUR	87	15	72	0.021002	0.235972	0.112164	0.005353
FRA	87	41	46	0.031644	0.296428	0.233230	0.052897
NLD	82	35	47	0.017209	0.273800	0.206814	0.021847
HKG	76	24	52	0.017393	0.256199	0.128535	0.009771
GBR	68	33	35	0.010632	0.269683	0.197584	0.015855
IND	66	11	55	0.009343	0.228457	0.065748	0.004746
ITA	64	30	34	0.014006	0.265688	0.202409	0.027568

	Grau Total	Grau Entrada	Grau Saída	Betweenness	Closeness	Eigenvector	Page Rank
Nó
CHN	176	29	147	0.139261	0.258890	0.170584	0.010085
DEU	111	47	64	0.064736	0.305737	0.251804	0.064468
USA	107	43	64	0.106485	0.305737	0.206620	0.091629
TUR	95	19	76	0.036093	0.241372	0.129955	0.005128
FRA	82	38	44	0.028375	0.284092	0.215068	0.045997
NLD	77	30	47	0.010932	0.260995	0.180750	0.019284
IND	72	12	60	0.016060	0.222933	0.071619	0.002990
GBR	72	33	39	0.016308	0.267520	0.199229	0.015623
POL	72	34	38	0.011436	0.269768	0.204632	0.028959
ITA	67	32	35	0.011521	0.265309	0.205465	0.025458

	Nó	Grau de Entrada
17	DEU	37
21	USA	33
29	FRA	31
30	GBR	26
32	ITA	25
44	RUS	25
34	NLD	24
40	SWE	23
35	POL	23
26	DNK	22

	Nó	Grau de Saída
16	CHN	133
84	HKG	92
17	DEU	70
3	IND	69
130	TUR	63
21	USA	55
34	NLD	43
29	FRA	38
135	VNM	33
35	POL	33

	Nó	Grau de Entrada
17	DEU	53
12	USA	45
22	FRA	41
29	NLD	35
5	CHN	34
23	GBR	33
26	ITA	30
13	BEL	28
20	ESP	27
30	POL	25

	Nó	Excentricidade
57	KWT	5
61	ECU	5
66	PER	5
32	SAU	6
42	BHR	7

	Nó	Excentricidade
44	HRV	3
28	DNK	3
79	BIH	3
32	CYP	4
47	ARG	4

	Nó	Excentricidade
4	URY	4
68	UZB	4
35	SAU	4
58	ARG	4
37	BOL	5

	Nó	Grau de Entrada
17	DEU	37
21	USA	33
29	FRA	31
30	GBR	26
32	ITA	25
44	RUS	25
34	NLD	24
40	SWE	23
35	POL	23
26	DNK	22

	Nó	Grau de Saída
16	CHN	133
84	HKG	92
17	DEU	70
3	IND	69
130	TUR	63
21	USA	55
34	NLD	43
29	FRA	38
135	VNM	33
35	POL	33

	Nó	Grau de Entrada
17	DEU	53
12	USA	45
22	FRA	41
29	NLD	35
5	CHN	34
23	GBR	33
26	ITA	30
13	BEL	28
20	ESP	27
30	POL	25

	Nó	Grau de Saída
5	CHN	163
43	TUR	72
12	USA	64
17	DEU	61
8	IND	55
7	HKG	52
29	NLD	47
22	FRA	46
160	VNM	40
23	GBR	35

	Nó	Grau de Entrada
20	DEU	47
15	USA	43
21	FRA	38
26	POL	34
8	GBR	33
25	ITA	32
38	NLD	30
30	BEL	29
7	CHN	29
40	SWE	26

	Nó	Grau de Saída
7	CHN	147
55	TUR	76
20	DEU	64
15	USA	64
88	IND	60
38	NLD	47
21	FRA	44
8	GBR	39
26	POL	38
31	DNK	36

	Nó	Clustering	Betweenness	Período	Bridge?
58	CHN	0.252873	0.035045	Pré-Pandemia	True
39	USA	0.292598	0.034894	Pré-Pandemia	True
64	DEU	0.277772	0.034677	Pré-Pandemia	True
15	FRA	0.287857	0.026704	Pré-Pandemia	True
26	NLD	0.288453	0.021279	Pré-Pandemia	True
5	CHN	0.261575	0.045976	Durante a Pandemia	True
29	USA	0.293079	0.044686	Durante a Pandemia	True
11	DEU	0.298439	0.025234	Durante a Pandemia	True
31	USA	0.295610	0.045835	Pós-Pandemia	True
18	GBR	0.298247	0.026175	Pós-Pandemia	True
9	CHN	0.279346	0.021940	Pós-Pandemia	True

	Nó	Grau de Entrada
17	DEU	37
21	USA	33
29	FRA	31
30	GBR	26
32	ITA	25
44	RUS	25
34	NLD	24
40	SWE	23
35	POL	23
26	DNK	22

	Nó	Grau de Saída
16	CHN	133
84	HKG	92
17	DEU	70
3	IND	69
130	TUR	63
21	USA	55
34	NLD	43
29	FRA	38
135	VNM	33
35	POL	33

	Nó	Grau de Entrada
17	DEU	53
12	USA	45
22	FRA	41
29	NLD	35
5	CHN	34
23	GBR	33
26	ITA	30
13	BEL	28
20	ESP	27
30	POL	25

	Nó	Grau de Saída
5	CHN	163
43	TUR	72
12	USA	64
17	DEU	61
8	IND	55
7	HKG	52
29	NLD	47
22	FRA	46
160	VNM	40
23	GBR	35

	Nó	Grau de Entrada
20	DEU	47
15	USA	43
21	FRA	38
26	POL	34
8	GBR	33
25	ITA	32
38	NLD	30
30	BEL	29
7	CHN	29
40	SWE	26

	Nó	Grau de Saída
7	CHN	147
55	TUR	76
20	DEU	64
15	USA	64
88	IND	60
38	NLD	47
21	FRA	44
8	GBR	39
26	POL	38
31	DNK	36